应用人工生命模型Bug/BACO求解组卷问题研究

从一维Bug人工生命模型入手,通过设置细胞自动机中细胞的内部状态集合以及细胞的转换函数,对二元蚁群算法从人工生命的角度重新进行描述,提出Bug人工生命模型二元蚁群优化算法（Bug-BACO算法）。为解决二元蚁群优化算法＂探索和利用＂的冲突,引入随机扰动因子,并引入并行策略对Bug-BACO算法实施并行化处理,进一步提出Bug人工生命模型的并行二元蚁群算法（Bug-PBACO算法）。仿真对比试验表明,Bug-PBACO算法能在较短时间内解决大规模组卷问题,具有较强的实用性。     

改进的人工鱼群混合算法在智能组卷中的应用

现有的智能组卷多采用单一算法,而每种算法都有其各自的缺点,针对此缺陷提出了结合人工鱼群算法和遗传算法的优点组成混合智能组卷算法.在智能组卷开始时,采用人工鱼群算法快速靠近组卷目标,在组卷过程中,当最优个体在连续多个迭代过程中无变化或变化极小时采用遗传算法对人工鱼个体进行跳变,提高收敛速度.通过模拟计算证明,该混合智能算法能有效地优化其中单一算法独自进行智能组卷的成效.     

基于蚁群算法的智慧旅游路线规划方案分析

为了改善传统的旅游路线规划费时费力、用户体验感较差的现状,基于科技力量的智慧旅游路线规划应运而生,提出一种基于蚁群算法的智慧旅游路线规划方案。首先通过描述蚁群算法的基本原理,改善基本的蚁群算法花费时间长、容易陷入死局的缺点,对基本的蚁群算法进行改进,与基本蚁群算法相比,增加了搜索范围集中化阶段、实时更新信息素阶段、信息素回滚机制阶段。然后以旅游花费更少的钱、得到最大最舒适的旅游体验为目标,将费用目标、体验感目标进行综合,建立了基于蚁群算法的旅游路线规划模型,并利用改进的蚁群算法对规划模型进行求解。最后将模型应用于实际案例中,通过计算分析得到符合要求的最优旅游路径。     

一种用于连续寻优的蚁群爬山算法

针对蚁群算法在连续寻优过程初期信息素匮乏、搜索时间长、收敛慢的弱点,对蚁群算法进行改进,并结合爬山算法提出了一种新的蚁群爬山算法.将新的蚁群爬山算法用于求解连续全局优化问题,数值实验证明该算法是可行的、有效的,并且精度和效率优于蚁群算法.     

基于改进的粒子群和蚁群算法的高光谱森林聚类研究

高光谱图像分类可分为监督分类与非监督分类,聚类分析进行非监督分类是一种现今比较受研究者广泛关注的技术.粒子群算法具有自适应、自组织性、可同时进行局部和全局搜索等特点;蚁群算法通过智能个体间不断进行信息交流和传递,具有较强的发现最优解的能力.提出一种基于改进的粒子群和蚁群算法的高光谱图像聚类方法,设计其模型并将其应用在森林类型分类问题上,提高分类精度,减少人工干预.以吉林省汪清林业局为研究区,通过修改粒子群的惯性系数,得出最优解集,然后利用蚁群寻优的过程对阔叶林、针叶林、混交林、水体进行聚类分析,区分精度达到85％证明,该方法能较好地识别森林类型.     

基于网络开放式可定制CAI模型的构建及探索

对CAI开发中的技术局限性进行分析,阐述了基于网络开放式可定制CAI模型的构建过程,同时对CAI模型中的智能组卷算法和自动评分算法进行探索,确定确实可行的方案,实现CAI模型的构建。     

结构可靠度分析的一种改进蚁群算法

基本蚁群算法存在过早收敛、容易陷入局部最优解等问题。引入信息熵H,通过控制信息熵的值来改进参数τ,从而对基本蚁群算法进行改进,并使用改进后的蚁群算法来求解可靠指标,对结构体系进行更为准确的结构可靠度研究,以提高结构可靠度的计算效率与计算精度。将改进的蚁群算法应用于10杆桁架结构,应用结果证明该研究方法具有很强的适用性和有效性,为研究大型复杂结构的可靠性问题提供了一种新的方法。     

蚁群算法在土壤速效磷近红外光谱波长选择中的应用

光谱变量多、光谱信息易重叠、数据存在冗余且存在大量噪声,导致近红外光谱分析建模的时间长、模型的泛化能力不强、预测精度不高等问题。为此,提出了一种基于变量有效性精英蚁群系统(EAS)的波长选择算法,通过蚁群搜索选出特征波长。将变量有效性作为蚁群的初始信息素,在信息素更新过程中引入变量重要性投影方法,加快算法的收敛速度,避免陷入局部最优。为了验证算法的有效性,选取193个沙姜黑土土壤样本的近红外光谱数据为研究对象,采用变量有效性精英蚁群算法选择特征波长,构建土壤速效磷含量偏最小二乘回归预测模型,对全谱偏最小二乘模型、蚁群算法偏最小二乘模型进行比较研究。结果表明,采用变量有效性精英蚁群算法选出的特征波长建立的回归模型精度比普通蚁群算法选出的特征波长和全光谱高,建立回归模型更加简单。     

基于web考试系统的智能组卷算法的研究与实现

衡量一份试卷质量高低的主要因素是试题的覆盖范围是否合理,难度是否适中,区分度是否最大等等。随着计算机技术的普及,越来越多的学校采用智能组卷系统代替原有的教师手工组卷,实现了教考分离,因此,智能组卷成功率也成为大家关注的焦点。介绍了目前流行的组卷算法,分析了各种算法的特点以及不足之处,结合组卷问题的数学模型提出了分层次的遗传算法,该算法提高了原遗传算法的局部收敛度和全局搜索性。     

基于蚁群-BFS算法的复杂环境下农业机器人全区域覆盖研究

目的 以路径重复率为优化目标解决农业机器人在数字生态农场中的全区域覆盖问题。方法 首先,将栅格地图中的障碍物进行膨胀处理,在此基础上进行矩形分区以及分区合并操作;然后,通过改进的蚁群算法规划分区间的遍历顺序、通过改进的广度优先搜索(Breadth first search, BFS)算法规划分区间终点与起点的衔接路径,从而实现机器人全区域覆盖。2种算法的具体改进方案为：分别通过人工免疫算法与粒子群算法改进遗传算法的选择与交叉算子,并将改进后的选择算子、交叉算子、原遗传算法变异算子与蚁群算法相结合改进传统蚁群算法信息素更新方法;建立动态函数以简化BFS算法规划的路径。结果 仿真结果表明,改进蚁群算法收敛时的迭代次数较传统蚁群算法减少了83.1%,路径长度相比减少了4.8%;由改进的蚁群算法与改进的BFS算法规划的机器人遍历路径重复率是传统蚁群算法和BFS算法的56%,且农业机器人能实现对农田区域的100%覆盖。结论 本研究提供了一种农业机器人在复杂环境的数字生态循环农场中进行全遍历覆盖的解决方案。     

遗传算法和蚁群算法融合求解TSP

文章将遗传算法和蚁群算法融合为一体,在此基础上,分别对遗传算法和蚁群算法中的遗传算法中的交叉长度发生变化、种群更新、蚁群算法信息素保留率和信息素自动更新进行了改进。同时给出一种信息素更新模型,最后通过对TSP的51个城市的仿真计算,表明将遗传算法和蚁群算法融合为一体效果较好。     

基于RS、GIS及智能算法的渠系优化配水

【目的】基于RS、GIS技术及智能算法,对灌区渠系优化配水工作进行研究,为提高灌区管理、制定配水计划提供科学依据。【方法】采用"组间续灌、组内轮灌"的工作方式,选择总配水时间最短与轮灌组之间引水持续时间差异值同时最小作为优化目标,以黑河中游甘肃省张掖市甘州区盈科灌区盈二支一分支为例,构建多目标渠系优化配水模型,并基于粒子群算法和蚁群算法对模型进行求解。【结果】成功构建了多目标渠系优化配水模型,以黑河中游张掖市甘州区盈科灌区5km×5km区域优化配水为实例的研究表明,采用多目标粒子群算法时的最大配水时间为113.6h,最小配水时间为105.3h,轮灌组引水时间差异为8.3h;采用多目标蚁群算法时的最大配水时间为113.5h,最小配水时间为105.3h,轮灌组引水时间差异为8.2h。解算的结果均低于人工制定的168h原配水计划。【结论】基于RS、GIS及智能算法解决渠系配水问题,不仅可以缩短轮灌周期,减少配水过程中的水量损失,还可保证配水精度,减少劳动力支出。     

基于改进蚁群算法的分类规则挖掘

数据分类是数据挖掘中的一个重要课题,研究各种高效的分类算法是数据挖掘的重要问题之一.本文将蚁群算法与分类规则抽取问题相结合,提出了一种基于蚁群算法的具有自适应和变异杂交特征的分类规则挖掘方法,自适应地调整信息素增量,在规则构造中进行杂交变异,有效地节省了计算时间,并优化了生成的分类规则.实验结果表明:该算法可以有效克服停滞,提高搜索效率,有效地挖掘出简洁分类规则.     

基于改进蚁群算法的智慧农业无线传感器网络路由优化研究

为了提高智慧农业无线传感器网络路由的生存时间,节点能量消耗相对均衡,采用改进蚁群算法。首先建立无线传感器网络模型和约束条件;接着通过消耗能量预测节点传输能力,剩余能量、过载区域以及覆盖冗余度构成适应度函数;然后改进蚁群算法,包括基于最佳路径的目标函数值信息素分配策略,二点交叉算子对信息素分配策略对应的任意2个网络节点序列进行优化;最后给出无线传感器网络路由优化流程。试验仿真显示本研究算法使无线传感器网络路由的节点间剩余能量差异性最小,网络生存时间较长,不同节点数接收数据包平均剩余能量较多。     

基于改进蚁群算法的易腐农产品配送路径规划研究

为了使易腐生鲜类农产品在复杂交通环境能够快速找到最优移动路径,进行考虑包括时间、油耗、罚没成本等因素在内的多目标配送,从而对综合成本与新鲜度保障进行平衡,提出了在传统蚁群算法的基础上改进转移规则,并加入含时间启发因子的影响函数。通过算例仿真,证明了改进蚁群算法的有效性和合理性,其降低了复杂程度,优化了传统蚁群算法容易陷入局部最优的问题,提升了迭代运算的收敛速度,同时降低了配送的综合成本。     

基于蚁群算法的RBF神经网络在冲量式谷物流量传感器中的应用

针对压力传感器存在温度漂移的问题,提出了一种基于蚁群算法的RBF神经网络优化算法。首先根据压力传感器测量电路得到电压U_b与电流I的关系,因其存在很大的温度误差,须要采用适当的补偿方法对外界温度造成的误差加以修正。然后通过压力传感器输出电压U与温度T、压强P、电源波动γ的关系建立压力传感器温度补偿模型,分别在18.4、32.5、41.8、65.6℃共4个温度点进行试验数据采集并对试验结果进行归一化处理。最后利用蚁群算法进行寻优和自适应调整发挥系数的特点作为聚类算法确定RBF神经网络基函数中心,选取BP算法、RBF算法、基于蚁群的RBF算法3种方法对压力传感器进行非线性温度补偿仿真试验。结果表明:基于蚁群算法的RBF神经网络模型补偿精度最高,收敛速度最快。将此研究应用于冲量式谷物流量传感器中,可大大提高传感器的稳定性和准确性。     

梯级水库优化调度模型的蚁群系统(ACS)算法求解研究

【目的】对梯级水库调度模型的动态、高维、非线性、复杂优化问题进行求解。【方法】在传统蚂蚁系统的基础上,将蚁群系统中的蚁密、蚁量系统的局部更新和蚁周系统的全局更新有机结合,提出了一种求解梯级水库优化调度模型的改进蚁群算法,即蚁群系统(ACS)算法,采用ACS算法对乌江梯级水库进行了优化调度实例研究。【结果】ACS算法兼顾了计算的时间和精度,优化得乌江梯级发电量为96.538亿kW·h,相比利用动态搜索算法求解的乌江梯级发电量95.882亿kW·h略大,但均接近于乌江梯级设计多年平均发电量100.21亿kW·h。【结论】采用ACS算法可快速求解乌江梯级水库优化调度模型,并可得到满意的结果,说明该优化算法是合理、可行的。     

基于改进型蚁群算法和Gauss-Markov随机场的植物病斑自适应分割

针对植物病害图像成分复杂、病斑排列无规则等特点,提出了基于改进型蚁群算法和Gauss-Markov随机场的自适应病斑分割算法。该算法采用自适应信息素更新策略,对信息量进行有差别的动态更新,克服了标准蚁群算法容易陷入局部最优造成的早熟、停滞现象。同时,利用Markov随机场的局部相关特性并结合Gauss分布组成线性平稳自回归模型,针对植物病斑特征建立分割模型。最后,采用改进型蚁群算法对其进行优化,并结合Gauss-Markov随机场最大后验概率估计,实现对植物病斑的自适应分割。仿真试验表明,改进后的算法能够针对植物病斑特性实现自适应分割,鲁棒性较好。然而,对于蚁群算法与Markov的最佳耦合方式及参数初始值的设置仍需作进一步研究。     

基于改进蚁群算法的船舶电力系统故障重构研究

提出一种采用K阶近邻策略求解子集类问题的改进蚁群算法,应用到船舶电力系统故障重构问题中。将重构问题抽象为子集类优化选择问题,建立适合解决此类问题的蚁群算法模型。根据船舶电力系统故障重构特点,采用K阶近邻策略缩小算法的求解空间以提高寻优求解效率。算例分析及仿真实例表明,改进后的蚁群算法可以有效解决船舶电力系统故障重构问题。     

引入启发式函数蚁群算法的VRP研究

车辆路径问题是一个NP难题,蚁群算法是求解诸如车辆路径安排问题等组合优化问题的有效工具。分析了蚁群算法在VRP中的应用,提出启发式函数对传统的蚁群算法的改进,对传统蚁群算法进行优化。通过实验对该方法进行检验,实验结果显示,本文提出的算法性能优于传统的蚁群算法。